BP评价模型煤矿安全管理论文

摘要：针对煤矿瓦斯浓度的预测的问题，以亭南煤矿正常生产期间302工作面的监测数据为研究背景，采用深度学习技术LSTM（LongShortTimeMemory，长短时记忆网络）建立瓦斯预测模型，研究与设计了基于LSTM的煤矿瓦斯预测预警系统。LSTM网络针对时间序列数据具有较强的建模能力，能够实现信息的长期依赖，自动挖掘数据之间潜在的关联关系。下面是小编精心推荐的《BP评价模型煤矿安全管理论文(精选3篇)》，欢迎大家借鉴与参考，希望对大家有所帮助！

BP评价模型煤矿安全管理论文 篇1：

提升预警控制系统做好煤矿运输安全

摘 要：煤炭能源作为我国主要的能源产业，安全问题受到越来越多的重视。近几年经济发展迅速，能源开采量也在不断增加，煤矿工作因为其特殊性时有发生安全事故，煤矿生产也因为安全管理不善造成大量损失，严重影响了能源产业的发展。面对这一严峻的安全管理形式，煤矿安全管理水平的提升迫在眉睫，本文就针对煤矿生产的具体特点，以预警管理指导现代安全生产管理，在安全事故模型的基础上，提升预警控制能力，为煤矿安全生产提供良好的安全管理系统。

关键词：预警控；制安全管理；系统；

一、煤矿安全生产的重要意义

煤矿生产工作存在一定的危险性，安全问题始终是人们最关注的问题，但是重大安全事故并没有很好的从根源上进行控制，安全生产的情况不容乐观。我国煤炭生产量居于世界前列，但是煤矿的安全管理水平却处于比较落后的位置，所以提高预警控制强化安全管理是非常重要的。

（一）安全是工人的根本需要

安全是一切生产活动的根本，也是工人最基本的需要，一旦人身安全受到了威胁，基于工人的生产活动也就无法正常开展，更不用说追求高效的安全生产。

（二）安全是煤矿生产的需要

煤矿生产过程中安全情况直接影响到具体的经营，安全事故对煤矿企业造成的经济损失是巨大的。各类安全事故的造成直接的经济损失加上其他安全问题引起的间接损失，对于煤矿企业的发展来说是致命的，如果不对安全问题加以控制，很难真正提高经济效益。

（三）安全是能源行业发展的需求

随着科学技术的发展和各种自动化技术的应用，传统管理模式已经很难适应时代发展的需要，同时计算机技术和自动化技术也为煤矿安全管理提供了有力的工具，所以全新的安全管理系统是必然的，其中预警管理工作能够有效降低安全事故的发生率，提高安全管理水平，减少安全事故造成的损失，确保煤矿行业正常发展。

二、煤矿安全管理的发展趋势

煤炭行业始终是以安全生产为主要工作中心的，传统的安全管理模式遵循着国家检查、行业管理、企业负责以企业自主管理为主的模式。经济发展速度的加快，使得煤矿企业在发展过程中将更多的精力放在了追求市场收益上，安全问题并不是最重要的工作点。传统安全管理工作，通常是根据经验和安全原则对生产工作进行管理，属于经验管理范畴，相比之下现代化的安全管理则更加注重系统工程理论，在传统经验管理的基础上，结合多学科专业指导理论，形成一个综合的安全管理模式。合理引用计算机技术和自动化技术，对安全信息进行实时的监管，对生产过程实现动态的管理，积极改造客观条件，主动分析和判断安全问题，打破传统单一主观判断决策的模式，加入更多科学数据的分析，系统的综合的看待问题，找到安全问题的关键因素，采取合理的处理措施，将事故的危害降到最低，最好是能够将事故在萌芽阶段就发现并消除掉。所以，现代安全管理工作主要解决的是如果消除导致人员伤亡的安全问题，消除职业病，降低损失，采用系统工程原理，建立标准化指标和技术方法，有效的识别生产工作中的潜在危险因素，及时的消除或预防，使工作保持在一个动态安全的状态。

三、煤矿安全事故成因分析

安全事故主要是主观的不安全行为和客观的不安全环境造成的，同时安全管理失误也会造成生产安全问题，为了更好的避免安全事故的发生，我们必须要对事故的成因进行分析，这样才能更好的对事故进行预测和准确的分析。

（一）事故模型

通过事故模型描述事故发生的多种因素之间的关系，建立与管理的逻辑联系，事故发生便能够通过安全管理进行一定的控制。事故发生的原因，一方面是客观环境中存在诱发事故的不安全因素，另一方面就是认为主观上的行为造成事故。由此可以说明，事故隐患是由客观条件和主观失误共同造成的。客观上隐患的存在不仅是环境的隐患，还有可能是操作或管理的隐患，在事故形成过程中，客观隐患是主要的，但同时操作或管理的失误直接导致了事故的发生，所以对于安全事故的分析和处理不能只从主观失误出发，还用综合考虑具体的客观因素。

事故模型可以进行如下的描述：井下生产的工人、机械和环境的相互作用，地面指挥操作的相互作用，以及自然环境和社会环境的相互作用，共同影响并产生着相应的潜在隐患，客观物质的不安全因素主要有设备老化、防护装置不科学等，主观认为不安全因素主要是违规操作和操作失误，管理失误主要是越权管理、管理漏洞等。这些潜在因素都会形成安全隐患，而安全隐患就会造成事故发生，会产生人员伤亡、经济损失等。

（二）煤矿安全事故的原因分析

第一、安全意识不到位，安全责任不能很好的落到实处。

第二、安全管理制度存在缺陷，管理力度也比较薄弱。在安全管理方面，因为人员编制问题导致很多安全问题被忽略，导致安全管理并不全面。

第三、专项整治工作不够平衡，有明显的表面工作倾向，检查工作也并不全面，存在安全疏漏。

第四、安全管理投入不足，停留于传统安全管理模式，效率低，安全保护措施也不足。

第五、事故处理不规范无标准，对于安全事故的处理是积累安全管理经验，完善安全管理体系的过程，事故处理逃避责任，缺少相关的处理标准，安全管理工作仍然存在隐患。

四、煤矿安全预警控制系统

（一）预警管理理论

预警管理在我国安全管理中的应用比较晚，但目前预警管理机制受到了越来越多的关注。预警管理是安全管理中较为系统的管控理论基础。安全管理实质上是一个控制的工作，按照一定的安全标准来评估目前工作的具体状态，及时的纠正或保持现有的工作状态，对工作进行调控以实现预期的工作目标。预警管理改变了传统经验管理的方式，以预防安全事故为主，逆向考察安全模型，控制安全状态。基本的工作原理是：制定一个安全指标，安全预警管理人员以该指标对预警管理对象进行分析，分析的结果与指标进行对比，考察当前工作状态是否处于安全状态，并对安全事故的可能性等进行评估，以动态反馈的形式对工作状态进行相关的调控。

（二）安全预警管理体制

以往的安全管理主要以制定安全计划为主，建立在经验之上，有一定的工作基础，根据具体的实施结果来调整安全工作计划，实施的过程中检查和分析工作状态，抽取有效的安全状态信息，以此来确定具体的管理方式，但是这个安全信息往往被人们所忽略。利用过程中具体的安全信息，以预警管理体制加以控制，可以很好的降低事故发生概率。

（三）安全预警控制分析过程

第一、监测。该过程主要对可能出现事故隐患的地方进行具体的监控，动态收集相关的工作状态数据。一方面是对安全环节的监测，另一方面是对检测信息进行处理和保存，建立预警信息档案，作为处理经验储存起来。

第二、识别。根据监测数据和信息，按照安全指标，对当前煤矿工作状态进行分析，判断其处于安全状态还是隐患状态，及时找到存在隐患的位置，是安全预警的重要参考。具体的识别有利于更快的进行预警，同时还有利于及时的制定处理方案，降低安全事故产生的影响。

第三、诊断。识别的结果对安全和隐患做出了一定的知识，明确化当前的工作状态。同时，处于隐患状态和危险状态，还要对事故成因和隐患发展进行判断，从整体出发判断事故的影响和隐患的严重性，快速找到问题所在，以便尽快调整工作状态，恢复安全生产。

参考文献：

[1]孙建华，郭英霞，张锦鹏，秦宪礼，张克春.基于煤矿的多层次模糊综合安全评价方法[J].煤矿安全.2009（05）

[2]刘勇，江成玉，李春辉.基于WebGIS的煤矿灾害预警系统的设计[J].煤炭工程.2012（01）

[3]高晓旭，董丁稳，杨日丽.BP神经网络在煤矿本质安全评价模型中的应用[J].西安科技大学学报.2011（06）

作者：井光伟

BP评价模型煤矿安全管理论文 篇2：

LSTM在煤矿瓦斯预测预警系统中的应用与设计

摘 要：针对煤矿瓦斯浓度的预测的问题，以亭南煤矿正常生产期间302工作面的监测数据为研究背景，采用深度学习技术LSTM（Long Short Time Memory，长短时记忆网络）建立瓦斯预测模型，研究与设计了基于LSTM的煤矿瓦斯预测预警系统。LSTM网络针对时间序列数据具有较强的建模能力，能够实现信息的长期依赖，自动挖掘数据之间潜在的关联关系。采集煤矿正常生产期间的瓦斯监测数据作为训练数据，利用深度学习框架TensorFlow进行算法的仿真，并研究了不同时间步长、网络深度下的LSTM以及多信息融合对瓦斯预测模型性能的影响。实验结果在1 000条测试数据集上获得了3.61%平均相对偏差，LSTM瓦斯预测模型具有较高的准确度，泛化能力强。在系统研究与设计中，使用Spring，SpringMVC和Hibernate框架按照適应性、易用性、可扩展性等原则对系统进行了设计。系统部署阶段，将训练好的LSTM瓦斯预测模型部署在TensorFlow Serving服务器中，对外提供服务，实现了煤矿瓦斯预警系统，增强了煤矿瓦斯监控系统的预警能力，提高了煤炭企业安全生产管理水平，具有一定的实用价值。

关键词：瓦斯预测预警系统；神经网络；长短时记忆网络

0 引 言

能源是国家发展与经济腾飞的动力，在中国一次能源消费结构中，煤炭一直占据着非常重要的地位，因此保证国家战略地位的一个重要因素就是保证国家的能源安全。中国的煤炭矿井多为瓦斯矿井，瓦斯爆炸事故频发，对煤炭行业的安全生产造成了严重的威胁[1-2]。目前煤炭企业对于瓦斯事故的预防还停留在监测阶段，对危险的发现和预防能力不足。因此研究瓦斯变化的规律，利用瓦斯监测数据实现对未来时刻瓦斯浓度的预测，为安全管理人员提供辅助支持，在煤矿安全生产中显得尤为重要。针对煤矿瓦斯浓度预测问题，国内外许多专家学者做了相关研究。如：张昭昭提出了一种动态瓦斯浓度预测模型[3]；赵爱蓉提出了基于小波分析的瓦斯浓度预测方法[4]；郝天轩等提出了一种利用灰色关联分析从影响因素中筛选主要因素，结合运用遗传算法（GA）与BP神经网络预测煤层瓦斯含量的方法[5]；韩婷婷提出了一种基于马尔科夫残差修正的瓦斯浓度预测方法[6]。这些方法在瓦斯浓度预测研究中起到了一定的作用，但是瓦斯浓度变化受环境因素影响较大，如何挖掘影响瓦斯浓度数据之间的关联关系，建立模型来提高预测准确度与稳定性仍是一个亟待解决的问题[7]。随着大数据时代的到来和计算机硬件设备的发展，近些年来，LSTM、递归神经网络、卷积神经网络等深度学习技术发展火热，在自然语言处理、语音识别、机器翻译、图像理解等领域都取得了突破性成果[8-12]。LSTM是一种递归神经网络，针对时间序列模型建模能力强，适合处理与时间序列高度相关的问题[13-14]。瓦斯浓度变化趋势与温度、湿度、风流、采煤机工作状态等环境因素相关，这些数据在时间上具有天然的连续性，在前后时间序列上具有很强的相关性和因果性。采用LSTM实现煤矿瓦斯浓度预测，

不但可以利用数据在时间维度上的相关性，而且能够自动挖掘数据之间存在的潜在的关联关系，提高瓦斯变化预测的精度。文中的主要工作如下：采用深度学习技术——LSTM实现了对瓦斯浓度的预测，并研究了不同时间步长、网络深度下的LSTM以及多信息融合对瓦斯预测性能的影响，在2.2.3节通过实验仿真进行了分析论证。结合深度学习服务器对瓦斯预测系统的部署进行了研究，提供了一个结合深度学习服务器来搭建瓦斯预测系统的方案。

1 方案介绍

基于LSTM煤矿瓦斯预测预警整套系统由分布在矿井下的传感器、局部数据采集网络、各种服务器共同组成。其中实时从传感器采集数据部分是依赖煤矿企业现有的瓦斯监测系统，本套系统只需要从煤矿的数据网络中获取到瓦斯、温度、CO浓度等实时数据即可，如图1所示。系统从整体上将矿井下的工作环境分为若干个工作区域，例如分为302工作面风流、302工作面回风流、302工作面回风隅角、105高抽巷掘进工作面风流。每个区域布置一套传感器设备，系统定时从传感器采集数据到瓦斯预测系统，系统根据实时的环境信息及历史信息对下一时刻或者若干时刻的瓦斯浓度信息进行预测并且对预测结果进行判断，若超标则通过警报系统通知管理人员。

2.2 瓦斯预测模型

2.2.1 LSTM瓦斯预测瓦斯预测可以理解为：根据已有的历史记录来计算将来的变化趋势而得到一种数学映射，通过m点历史数据预测未来q点的变化趋势。影响瓦斯浓度变化的因素多，变化趋势复杂，无法通过简单的线性关系实现预测。瓦斯浓度变化趋势与温度、湿度、风流、采煤机工作状态等环境因素相关，这些数据在时间上具有天然的连续性，在前后时间序列上具有很强的相关性和因果性。文中通过建立LSTM瓦斯预测模型自动挖掘瓦斯数据的变化趋势与这些影响因素之间潜在的、暗含的内在关联关系，来实现瓦斯浓度变化的预测。文中将瓦斯历史监测数据和影响瓦斯变化相关因素的监测数据共同作为LSTM网络的输入，输出瓦斯浓度变化趋势的预测。同时这是一种基于多传感器监测信息融合的预测方法[18]，能够更加准确预测其瓦斯变化趋势。以时间步长为50，隐藏层神经元数量为200，3层的LSTM网络结构为例，如图4所示。

LSTM网络输入的数据首先经输入嵌入层（input embedding layer）映射为200维的向量，该向量作为LSTM单元的输入，每一层LSTM单元的输出作为下一层LSTM单元的输入，最后一层LSTM单元的输出经全连接层（FC）映射成一个一维的数据，即实现了瓦斯浓度的预测。LSTM瓦斯预测模型需要一个评价指标：文中选择平均相对偏差和均方根误差RMSE作为实验结果的评价标准。平均相对偏差和均方误差如公式（6）、（7）所示，ε2i为瓦斯浓度预测值与真实值之差的平方；yi为瓦斯浓度真实值；i为预测值。

2.2.2 模型的训练与分析实验数据来自淄矿集团亭南煤矿正常生产期间的302工作面监测数据，选取了2016年10月1日至2016年11月30日共计17 568条数据，其中包含了瓦斯浓度、CO浓度、温度、湿度、风流、采煤机工作状态、烟雾6个因素，采集的平均时间间隔为1次/5 min.瓦斯浓度按时间序列顺延一个时刻作为训练网络的标签，数据集共计17 567条数据。选取前16 000条为训练数据，后1 567条为测试数据。模型将瓦斯浓度、CO浓度、温度、风流、采煤机工作状态、烟雾6个因素作为输入，下一时刻的瓦斯浓度作为输出。数据送入神经网络之前需要经过标准化处理，文中选择偏差标准化方法，如公式（8）所示。

文中模型训练的硬件配置如下：CPU型号：i5-6500；顯卡型号：Nvidia-1070；内存：16 GB.采用TensorFlow深度学习框架进行模型的训练，输入时间步长为m的历史数据，预测下一时间点瓦斯浓度。网络训练中超参数的设置，选用深度学习中常用的训练策略：学习率的初始值设置为0.001，dropout设置为0.5用来抑制过拟合，batch size为20，训练次数2 000次，每500次调整一次学习率（在原有学习率基础上乘0.1），优化方法采用Adam[19]。时间步长代表了LSTM能够利用的瓦斯序列长度，是数据关联长度的一个反应；为了研究时间步长对模型的影响，设置LSTM网络层数为2，隐藏层节点数量为200，对比了时间步长为5，50，100下的性能，实验结果如图5，6所示和见表1.

通过上述实验结果可知，随着时间步长的增大，模型的预测能力不断的提升；但是当增加到一定程度之后，模型精度反而降低了。时间步长代表了数据在时间序列上的关联长度，由图6可直观看出当时间步长设置过短时会因为数据之间关联信息不足而导致模型拟合效果较差；当过长时，数据冗余造成数据之间关联性下降而导致模型的精度下降，同时也容易导致过拟合，降低模型的泛化能力。因此时间步长的选择尤为重要。

LSTM网络前一层的输出作为后一层的输入，理论上层数越深，学习能力越强，但是模型越深，会导致模型复杂度变高，难以收敛，训练起来比较困难、耗时等。为此对比了2、3、4层LSTM瓦斯预测模型的性能、训练时长和训练好的模型预测100组数据所耗费的时间，结果见表2和如图7所示。

由表2和图7可知，网络越深模型收敛的越好，但带来的代价是训练和测试所耗费的时间越长，当模型增加至4层时对性能的提升不太明显，且训练和测试耗费时间太长，为了权衡检测速度和精度同时为了满足工程需要，选择3层的LSTM模型作为文中瓦斯预测系统的模型。上述的模型采用多变量的输入来预测瓦斯浓度，为了进一步研究多信息融合对瓦斯预测准确率的影响，进一步做了对比试验：网络模型选择3层LSTM网络，神经元数量固定为200个/层，只将瓦斯浓度作为模型的输入和将瓦斯浓度、温度、CO浓度3个监测数据作为输入训练瓦斯预测模型。将训练好的模型在测试集上测试，并与前面训练好的6变量输入瓦斯模型对比，实验结果如图8～10所示。

由实验结果分析可得，多输入变量的瓦斯预测模型能够通过信息的融合显著提升瓦斯预测的准确率，模型收敛的更好。由图8，9可知，随着输入变量的增多，模型收敛的越来越好；从图10可以直观的看到，单变量瓦斯预测模型性能较差，在某些时间节点的预测出现了严重的滞后性；多变量的瓦斯预测模型能够很好的拟合出瓦斯变化的趋势，其中输入变量越多模型的性能拟合更好。因此多信息融合能够提升瓦斯预测的准确率。

2.2.3 实验结果如2.2.2节实验所述，分别对比了时间步长、网络层数、输入变量对于瓦斯预测性能的比较，合理的参数设置对模型的预测性能至关重要。时间步长的设置决定了LSTM可以利用的时间序列数据间的关联信息量；网络层数会影响模型的学习能力、训练时间、测试时间；多输入变量信息融合能够提升模型的性能。因此，选择输入变量分别为：瓦斯浓度、CO浓度、温度、风流、采煤机工作状态、烟雾，时间步长为50，3层的LSTM网络模型作为文中瓦斯预测预警系统的算法模块。采用该模型对100条数据进行模型预测，结果如图11所示。

从11图中可直观看出，3层多输入的LSTM瓦斯预测模型能够预测瓦斯浓度变化趋势，拟合效果较好，可作为煤矿瓦斯安全监测预警系统的算法支撑，在文中实验所用设备平台上预测该100条数据时间花费了大约1 s.

3 系统设计TensorFlow Serving[20]是一种用C++编写的高性能开源服务系统，专为生产环境而设计，能够简化并加速模型，它能实现在服务器架构和API保持不变的情况下，安全地部署新模型并运行[21]；使用训练好的模型来实施应用——基于客户端呈现数据的预测，同时引入的开销非常的小。文中，训练好的LSTM瓦斯预测模型部署在TensorFlow Sering服务器中运行，当需要进行预测的时候客户端只需要将历史数据发送到TensorFlow Serving服务器并接收返回的结果，如图12所示。在本系统中客户端即是瓦斯预测预警服务器。

3.1 系统拓扑结构如图13所示，该系统是煤矿原有瓦斯监测监控系统的拓展，将原有系统抽象成一个瓦斯数据库，并在该系统上添加多台服务器进行协同工作。添加的服务器分别是瓦斯预测预警服务器、TensorFlow Serving服务器、消息队列服务器，其中瓦斯预测预警服务器是整个系统的核心，采用Spring[22]，SpringMVC[23-24]，Hibernate[25]搭建，负责获取数据、预测、并控制报警设备；消息队列服务器采用阿里云ONS服务，负责进行警报消息的转发；TensorFlow Serving服务器使用LSTM模型进行瓦斯数据的预测，数据的传输与发送采用的是谷歌远程调用协议（Google Remote Procedure Call，简称GRPC）。

3.2 系统总体架构煤矿瓦斯预测预警系统结合了多种技术层次和多种功能系统，这些系统通过共享矿井的数据中心协同工作，为煤矿的安全生产提供保障[14]。根据系统总体架构将系统分为3层，如图14所示。

3.2.1 基础层

基础层主要指的是基础设施。包括网络连接，硬件设备等。

3.2.2 支撐层

主要指应用支撑平台，直接为应用层提供服务[15]。整个支撑层从结构上主要分为：瓦斯预测预警服务器、消息队列服务器、TensorFlow Serving服务器3个部分。

3.2.3 应用层

该层直接面向用户，是系统与用户的中间接口。用户可在这一层进行数据查询，瓦斯实时监测，手动报警等操作。

3.3 核心业务流程在本系统中瓦斯预测预警是核心业务流程，如图15所示，瓦斯预测预警流程可总结为：瓦斯预测预警服务器将从瓦斯监测系统的数据库中读取的瓦斯浓度进行格式化处理后发送到TensorFlow Serving服务器；TensorFlow Serving服务器使用LSTM模型对收到的数据进行预测，并将结果返回；瓦斯预测预警服务器将返回的预测值存到数据库并进行判断，若结果显示瓦斯浓度超标，则将警报信息通过消息队列服务器发送到相关工作区域的树莓派，树莓派控制继电器的开关打开，警铃通电开始报警。

4 误警、虚警

处理及时间复杂度分析由于瓦斯预警算法存在误差，因此系统中存在误警及虚警的现象。针对误警现象：控制区域设计解除警报的按钮。针对虚警现象：系统自动比对上一次的预测结果，若发生虚警现象则保存到数据库，虚警率达到较高的水平的时候则通知工作人员修正模型，提高系统的稳定性和准确性。该系统主要应用于煤炭企业内部，采用专用网络进行通信，因此系统延迟主要来自瓦斯预测预警服务器及TensorFlow Serving服务器。通过实验统计TensorFlow Serving服务器在并行100组预测任务时延时约为1 s，瓦斯预测预警服务器在（ThinkServer TS250）同时500用户登录可以保持低于5 s的延时，因此可以看出在小于500用户、100个预测任务的情况下，能够保持低于6 s的延时。

5 结 论

1）基于LSTM的瓦斯预测模型构造简单，能够自动挖掘数据间的关联关系，构建出一个最优的模型；LSTM网络的时间步长、深度会影响模型的准确性和速度，需要反复地训练来进行调参；

2）多输入变量的瓦斯预测模型能够通过信息的融合显著提升瓦斯预测的准确率，且模型收敛的更好；

3）该系统是在煤矿原有瓦斯监测系统上的扩展，可提高煤矿安全的预知能力，同时最大化节约企业的成本。

作者：李伟山 王琳 卫晨

BP评价模型煤矿安全管理论文 篇3：

发挥文化软作用 提高安全执行力

近年来，我国安全生产形势持续稳定好转，但安全生产领域仍然存在一些问题，重特大事故时有发生，造成重大人身伤亡与财产损失。一些企业员工整体安全意识薄弱、“三违”现象比较普遍、安全执行力不足，出现这些问题，企业安全文化匮乏是一个非常重要的原因。

无论是设备设施先进、复杂的高科技企业，还是工艺流程相对简单的低风险企业，由于安全文化建设不到位、员工安全执行力不强，导致事故发生的情况并不少见。如：2005年3月23日，英国英国石油公司（BP）位于美国德克萨斯州的炼油厂发生了严重的火灾爆炸事故，导致15人死亡，170余人受伤。BP公司的事故调查报告指出，企业历经多年的工作环境已被侵蚀到排斥变化的地步，员工个人感觉没有提建议和进行改进的权利，炼油厂内由上至下缺乏沟通等安全文化方面存在的不足，是事故发生并扩大的重要影响因素。

2011年7月16日、2011年8月19日、2012年6月2日，中石油大连石化分公司连续发生3起泄漏起火和火灾爆炸事故，造成恶劣的社会影响，发生事故的重要原因之一是全员安全意识淡薄，在业务分包后管理链条断裂、管理能力稀释。

2013年6月3日，建成仅3年多的吉林宝源丰禽业有限公司生产车间发生特别重大火灾爆炸事故，导致121人死亡，事故直接原因是电气线路短路，引燃周围可燃物；而更为重要的间接原因是企业主安全意识不高，在设计、施工和验收等环节存在一系列违规行为，员工的安全培训不到位，事故报警等应急措施不全，暴露了企业安全文化的薄弱。

有关学者及杜邦、壳牌等企业对大量事故的统计分析表明，事故的发生，90%以上是由于人的不安全行为所导致的；要改变人的不安全行为，最有效的手段是安全文化建设。在这方面，发达国家有着充分的经验，安全文化是企业安全管理最高层级（如图1所示），是企业安全管理水平提升的内在动力，一流的企业为提高安全水平，会关注一流的安全文化建设。

研究过程

针对企业安全理念急需提升、安全文化建设亟待加强的现状，中国安科院“优秀企业安全文化建设策划”项目组借鉴国内外企业安全管理的成功经验和做法，融合先进的安全理念，参考AQ9004-2008《企业安全文化建设导则》和AQ9005-2008《企业安全文化建设评价准则》，以及《全国安全文化示范企业评价标准（修订版）》的有关要求，紧紧围绕企业强化员工安全意识、提升全员安全执行力的实际需求，研制了“提炼一套安全文化理念、制定一份安全文化建设规划、形成一本安全文化手册、优化一套安全管理制度、搭建一系列安全文化载体”的安全文化建设策划模式，以帮助企业形成先进、科学、系统的安全文化体系，提升企业安全管理水平。主要策划步骤和内容如图2所示。

成果应用

在研究过程中，项目组分别与中原油田、兖矿集团、潞安集团、青岛地铁集团、上海电气集团等开展合作，通过安全管理模式构建、安全文化建设，提升了各集团安全生产工作的管控能力，取得了显著效果。

中原油田普光气田

凝练提出“安全至上，预防第一”的核心理念，以“打造最安全高含硫气田”为安全愿景，以“零死亡、零伤害、零事故”为安全目标，构建了包含物态、管理、行为3方面，本质安全、作业安全、应急安全、安全责任、安全制度、安全监管、安全培训、安全宣教、安全激励、安全信息10个要素的普光“双S”安全文化体系，即：高含硫（sulphur）和高度安全（safety）。

山东兖矿集团兴隆庄煤矿

凝练集成安全文化建设工作，提出由1个愿景、3大要素、9大体系构建。1个愿景，即：安全至高无上；3大要素，包括行为、状态、责任；9大体系，包括教育先导、培训塑人、规范养成、动态稳定、静态预控、环境和谐、管理精细、执行到位、群防严密。并且以“鼎”作为安全文化标识物的“兴隆鼎”安全文化模式。

山西潞安集团

构建提出了“安全永远第一，安全一票否决”的安全理念核心体系，并以制度保证、行为保证和物质保证等3个体系为支撑，将“弓”作为安全文化标识物的“弓安全文化模型”。

青岛地铁集团

结合青岛地铁集团建设期实际，考虑到与运营期的有效融合，凝练形成以“安全是灵魂、安全是责任、安全是效益”为安全价值观的核心理念体系，以及责任、行为、管理、制度、质量等5方面的分支理念；编制完成文化手册等系列宣传材料；制定落地方案并协助开展相关活动。

上海电气集团

开展安全管理体系顶层设计，提出构建SEC-LOVE（上海电气关爱生命）安全管理模式，优化和拓展5项体制（组织架构、分层管控、横向协同、垂直监察和基层管理）、5项机制（目标责任考核与奖惩、安全监察、预测预警、安全投入保障、教育培训）和6大支撑保障（安全生产标准化、安全生产监管平台、隐患排查治理体系、职业健康管理、重大事故应急管理和安全文化建设）；构建完成了以“上海电气安全生产管理规定”为核心的制度体系。

发展前景

党的十八届三中全会提出，要推进文化体制机制创新。《安全生产“十二五”规划》也对加强安全文化建设提出了明确要求，这都为进一步加强企业安全文化建设指明了方向。

欧盟最新研究成果表明，企业安全管理仅仅依赖安全规章制度是不够的；持续改进安全健康绩效源自创立预防性的安全文化。稳定可靠的设备设施、系统完善的管理制度，是企业安全生产的基础条件，而所有设备设施的操控、安全制度的执行都要由人来完成。实现全员行为始终符合安全要求、全员主动发现事故隐患并及时改进，实现员工不仅自己要安全、还要求别人安全是安全管理的最高境界，要达到这一水平需要依靠安全文化建设。中国安科院“优秀企业安全文化建设策划”项目组将根据企业发展情况，适时调整方案，以通过开展安全文化建设，为企业、为社会带来潜在的经济效益和巨大的社会效益。

作者：中国安科院安全生产理论与法规标准研究所